基于数据集特征的卷积网络代价函数优化方法

近年来,为了减少卷积神经网络计算量和提高分类准确率,研究者们开发了各种各样的建模技术和优化方法。卷积神经网络中代价函数的作用是对比预测值和样本标签,评估预测准确程度。由于数据集中各类样本的分布也会一定程度上影响预测结果,提出一种基于数据集统计特征的代价函数优化方法,将数据集的统计特征以权重的形式叠加到交叉熵代价函数中。经过Mnist和Cifar数据集实验验证,表明该损失函数在卷积网络中收敛速度和准确率均有一定的优势。